گوگل بارد چیست؟ – هر آنچه باید درباره Google Bard بدانید

گوگل به تازگی، جواب خود به چت جی پی تی را با بارد ارائه داده است و کاربران می‌توانند آن را با هوش مصنوعی «OpenAI» مقایسه کنند. شاید نام گوگل بارد چندان خوشایند نبوده و جذبه تبلیغاتی نداشته باشد اما این مورد نباید سد راه قدرت و عملکرد این ربات شود. در ادامه با هم خواهیم دید که گوگل بارد چیست و چگونه می‌شود از آن سود برد.

گوگل بارد چیست؟

بارد چت بات آزمایشی گوگل است که از مدل زبانی »LaMDA» قدرت می‌گیرد. این ربات به عنوان یک ابزار هوش مصنوعی مولد، درخواست‌های مختلف را می‌پذیرد و وظایف مبتنی بر متن مانند ارائه پاسخ‌های مرتبط، خلاصه‌سازی و تولید محتوا را انجام می‌دهد. به علاوه این ربات با خلاصه سازی مطالب موجود در اینترنت درباره موضوعات متفاوت و ارائه لینک‌های مناسب برای مطالعه بیشتر، در زمینه تحقیق و بررسی نیز شما را یاری می‌کند.

دلیل ارائه بارد توسط شرکت گوگل چیست؟

گوگل، ربات بارد را پس از معرفی و استقبال گسترده ابزار هوش مصنوعی OpenAI به نام«ChatGPT»، روانه بازار کرد. زیرا در آن زمان، این باور را به وجود آورده بود که گوگل از دنیای تکنولوژی عقب مانده است. چت جی پی تی به عنوان یک ابزار تکنولوژی قوی شناخته می‌شود که پتانسیل مختل کردن صنعت search و انتقال قدرت از جستجوی گوگل و به هم ریختن سود کلان صنعت تبلیغات در گوگل را دارد.

در تاریخ 21 دسامبر 2022، سه هفته پس از معرفی چت جی پی تی، نیویورک تایمز اعلام کرد که گوگل برای تهیه پاسخی سریع به این تهدید به مدل کسب و کارش، اعلام کد قرمز کرده است. 47 روز بعد، در تاریخ 6 فوریه 2023، گوگل پاسخ خود را در قالب گوگل بارد به جهان معرفی کرد.

مشکل گوگل بارد چه بود؟

البته معرفی و پرده‌برداری از گوگل بارد یک شکست تمام عیار بود. چون نسخه آزمایشی بارد که قرار بود آینه تمام‌نمایی از توانایی‌های این ربات باشد، خطایی را همراه خود داشت. عدم تطابق هوش مصنوعی گوگل، آنچه را که قرار بود بازگشتی شکوهمندانه باشد به یک عقب نشینی غم‌انگیز تبدیل کرد.

به همین ترتیب، سهام شرکت گوگل نیز به طور کاملا ناگهانی، میلیون‌ها دلار سقوط در بازار را تنها در طول یک روز به خود دید. همین مورد نیز به کاهش اعتماد به نفس و توانایی گوگل برای کاوش در دنیای آینده هوش مصنوعی منجر شد.

گوگل بارد چگونه کار می‌کند؟

در بخش قبل دیدیم که گوگل بارد چیست و حالا می‌خواهیم با نحوه کارکرد آن آشنا شویم. بارد قدرت خود را از یک نسخه سبک LaMDA می‌گیرد. LaMDA به عنوان یک مدل زبانی بزرگ مانند GPT 4، بر اساس مجموعه داده‌های متشکل از گفت‌وگوهای عمومی و داده‌های اینترنتی آموزش دیده است.

دو عامل مهم مرتبط با آموزش این مدل وجود دارند که در ادامه آن‌ها را بررسی می‌کنیم:

• ایمنی: این مدل زبانی، با تنظیم داده‌هایی که هر تکه از آن توسط تعداد زیادی از افراد نوشته شده است، سطح مناسبی از ایمنی را به دست می‌آورد.
• زمینه سازی: LaMDA خود را مبتنی بر واقعیت‌ها و به استناد منابع خارجی (از طریق بازیابی اطلاعات که جست‌وجو است)، استوار می‌کند.

باید گفت که زمینه سازی مبتنی بر واقعیت‌ها، شامل توانمندسازی مدل برای مشورت با منابع دانش خارجی مانند سیستم بازیابی اطلاعات، مترجم زبان و ماشین حساب می‌شود. همچنین کیفیت واقعیت‌ها با استفاده از معیاری برای استناد، مشخص می‌شود. این روش، امکان ارائه پاسخ‌هایی را به مدل می‌دهد که مبتنی بر منابع شناخت شده هستند، نه پاسخ‌هایی که صرفا قابل قبول به نظر می‌رسند.

همچنین گوگل از سه معیار زیر برای ارزیابی خروجی LaMDA استفاده کرد:

• معقول بودن: بررسی اینکه پاسخ ارائه شده منطقی است یا نه
• تخصص: آزمایش این مورد که پاسخ مربوطه به طور زمینه‌ای تخصصی است یا نه
• جالب بودن: این معیار بررسی می‌کند که پاسخ‌های LaMDA، معین و سرراست هستند یا جالب و کنجکاوی برانگیز

هر سه مورد این معیارها توسط جمع زیادی از افراد، قضاوت شده و داده‌های به دست‌آمده برای ادامه پیشرفت دستگاه به آن برگردانده شدند. نهایتا می‌توانیم اینطور نتیجه بگیریم که بررسی‌های افراد و توانایی سیستم برای آزمون و خطایابی داده با یک موتور جست‌وجو، برای پیشرفت آن بسیار مفید بوده‌اند.

داده‌های به دست آمده از قضاوت‌های جمعی، ابزاری عالی برای رسیدن به دستاوردهای موفق بیشتر هستند. به علاوه می‌شود گفت که استفاده از «APIهای» خارجی (مانند سیستم بازیابی داده)، مسیری را برای بهبودی قابل توجه ارائه می‌کنند. می‌شود آن‌ها را به عنوان میزانی برای این مورد در نظر گرفت که یک پاسخ تولید شده، ادعاهایی را ارائه می‌دهد که می‌توانیم آن‌ها را به منابع شناخته شده ارجاع داده و بررسی کنیم.

• مطالب پیشنهادی برای مطالعه:
  • نحوه استفاده از چت جی پی تی ChatGPT در ایران – از صفر تا صد
  • انواع هوش مصنوعی که باید بشناسید — معرفی و کاربردها
  • کاربردهای ChatGPT چیست؟ – ۱۱ استفاده مهم از چت جی پی تی
  • چگونه هوش مصنوعی یاد بگیریم؟ — راهنمای شروع از صفر
  • پایتون و مدل‌سازی زبان — راهنمای گام‌به‌گام

برنامه گوگل برای استفاده از بارد در جست‌وجو چیست؟

آینده گوگل بارد در حال حاضر به عنوان قابلیتی مفید برای جست‌وجو متصور می‌شود. این در حالی است که رونمایی گوگل در ماه فوریه، در مورد نحوه اجرایی کردن این ابزار، به اندازه کافی شفاف و مشخص نبود و دقیقا بیان نمی‌کرد که گوگل بارد چیست و چگونه کار می‌کند.

اما جزئیات کلیدی در تک پاراگرافی که نزدیک به انتهای بلاگ رونمایی بارد شنیده شد و این ابزار را به عنوان یک قابلیت هوش مصنوعی برای جست‌وجو توصیف کرد، پنهان شده است. این عدم وجود شفافیت موجب به وجود آمدن این گمان شد که بارد قرار است ترکیبی از ویژگی‌های مربوط به جست‌وجو باشد، که هیچ گاه اینگونه نبوده است.

با این حال، رونمایی بارد در سال 2023، به نحوی عنوان کرد که گوگل قرار است در زمانی، جست‌وجوی خود را با قابلیت‌های هوش مصنوعی ترکیب کند. این‌طور به نظر می‌رسد که به زودی شاهد نمایش قابلیت‌های هوش مصنوعی در ابزار جست‌وجو خواهیم بود که اطلاعات پیچیده و زوایای دید مختلف را در قالبی آسان برای استفاده خلاصه می‌کنند تا بتوانیم مفاهیم بزرگ‌ موجود در وب را به شکلی بسیار ساده‌تر درک کنیم.

به این شکل مهم نیست به دنبال مفاهیمی پیچیده و مختلف مانند پیدا کردن وب‌سایت فردی باشیم که هم پیانو بلد است و هم گیتار، یا بخواهیم از جزئیات عمیق‌تری مانند مراحل آغاز به کار به عنوان یک نوازنده، سر دربیاوریم، در هر صورت این ابزار می‌تواند برای ما بسیار کمک کننده باشد.

نهایتا می‌شود گفت این قابلیت‌های هوش مصنوعی جدید به زودی با جست‌وجو همراه خواهند شد. تا اینجا مشخص است که بارد، جست‌وجو گر نیست. به جای آن می‌شود گفت قابلیتی است که همراه جست‌وجو ارائه می‌شود اما جای آن را نخواهد گرفت.

قابلیت جست‌وجو چیست؟

یک قابلیت جست‌وجو چیزی مانند «پنل دانش گوگل»‌ (Google’s Knowledge Panel) است که اطلاعات مرتبط با افراد، مکان‌ها و به طور کلی تمام چیزهای قابل توجه را فراهم می‌کند.

می‌شود این مفهوم را به شکل زیر نیز تعریف کرد:

• قابلیت‌های جست‌وجوی گوگل، اطمینان حاصل می‌کنند که اطلاعات درست، در زمان درست و با قالب مناسب درخواست جست‌وجو، به دست شما برسند. این قابلیت گاهی اوقات به شکل صفحات وب است و در برخی مواقع به شکل اطلاعات لحظه‌ای مانند نقشه یا نمایش موجودی‌های یک فروشگاه محلی، بروز می‌کند.

خوب است بدانید در یک دیدار داخلی در گوگل که توسط خبرگزاری خارجی گزارش شد، کارمندان، موارد استفاده بارد در جست‌وجو را مورد پرسش قرار دادند. همچنین یکی از کارمندان اشاره کرد که مدل‌های زبانی بزرگ مانند ChatGPT و بارد، منابع اطلاعاتی مبتنی بر حقایق نیستند. این کارمند سوال زیر را پرسید:

• چرا باید فکر کنیم اولین برنامه بزرگ برای استفاده از بارد، جست‌وجو است، در حالی که در حقیقت بیشتر برای یافتن اطلاعات درست به درد می‌خورد؟

«Jack Krawczyk» مدیر محصول گوگل بارد نیز پاسخ زیر را ارائه داد:

• اگر بخواهم شفاف صحبت کنم، باید بگویم که: «بارد برای جست‌وجو نیست.»

در همان دیدار داخلی، الیزابت رید، معاون بخش مهندسی جست‌وجو گوگل، بار دیگر تکرار کرد که بارد جست‌وجوگر نیست و واقعا از جست‌وجو جدا است.

تنها چیزی که در حال حاضر می‌توانیم نتیجه بگیریم این است که بارد، تکرار جست‌وجوی گوگل نیست، بلکه آینده را تصویر می‌کند.

بارد به عنوان روشی تعاملی برای کاوش موضوعات مختلف

رویداد رونمایی از بارد به طوری صریح نشان داد که بارد جست‌‌وجوگر نیست. این یعنی در حالی که با جست‌وجو به پاسخ می‌رسید، بارد برای پژوهش دانش به شما کمک خواهد کرد.

بیشتر افراد هنگام فکر کردن به گوگل، محلی را تصویر می‌کنند که می‌شود برای یافتن پاسخ‌های حقیقی به آن مراجعه کرد، مانند این سوال که «هر پیانو چند کلید دارد؟»

اما افراد همچنین به طور فزاینده‌ای برای دست‌یابی به درک و بینش عمیق‌تر درباره موضوعات مختلف به گوگل مراجعه می‌کنند. مانند اینکه بدانند آموزش پیانو راحت‌تر است یا آموزش گیتار و هر کدام از آن‌ها به چه میزان تمرین نیاز دارند.

کسب اطلاع از موضوعاتی مانند این مثال، برای رسیدن به درک درست، نیاز به زمان و زحمت بسیاری دارند و مردم اغلب می‌خواهند طیف متنوعی از نظرات و دیدگاه‌های دیگران را نیز بررسی کنند.

در نهایت ممکن است دانستن این موضوع که بارد روشی تعاملی برای دست‌یابی به دانش گسترده به این شکل است، در زمینه درک اینکه گوگل بارد چیست مفید باشد.

بارد از اطلاعات وب نمونه برداری می‌کند

مشکل مدل‌های زبانی بزرگ این است که جواب‌ها را تقلید می‌کنند و این امر می‌تواند در حقیقت‌یابی آن‌ها خطا و اختلال ایجاد کند. با این حال، این‌طور عنوان شده است که روش‌هایی مانند بزرگ‌تر کردن اندازه مدل‌ها می‌توانند برای رسیدن به اطلاعات حقیقی بیشتر، مفید باشند. تا به اینجا درک خوبی از اینکه گوگل بارد چیست به دست آورده‌ایم اما بیایید کمی نیز به مشکلات آن بپردازیم.

باید به این نکته اشاره کنیم که این روش درباره اطلاعاتی که به طور مکرر و در طول زمان تغییر می‌کنند، کارآمد نیست. این مشکل با نام «Temporal Generalization Problem» به معنی مشکل تعمیم زمانی شناخته می‌شود. به زبانی دیگر، تازه شدن دائمی اطلاعات لحظه‌ای را نمی‌شود به یک مدل زبانی ایستا آموزش داد.

راه‌حلی که برای این مشکل ارائه شد، پرس و جو در سیستم‌های بازیابی اطلاعات بود. یک سیستم بازیابی اطلاعات، به زبانی یک موتور جست‌وجو است، پس LaMDA در واقع نتایج جست‌وجو را چک می‌کرد. این طور به نظر می‌رسد که این قابلیت LaMDA جزو ویژگی‌های بارد است. در همین مورد، در بیانیه رونمایی از بارد نیز صحبت‌هایی شد.

می‌شود گفت بارد به دنبال ترکیب کردن وسعت دانش جهانی با قدرت، هوش و خلاقیت مدل زبانی بزرگ خود است. این ابزار از اطلاعات موجود در وب کمک می‌گیرد تا پاسخ‌های نو و با کیفیت ارائه کند.

LaMDA به همراه (و احتمالا با توسعه) بارد با آنچه با نام «مجموعه ابزار» (TS) نامیده می‌شود به این هدف دست می‌یابند. مجموعه ابزار رامی‌توانیم به شکل زیر تعریف کنیم:

• مجموعه‌ای از ابزارهای مختلف که شامل یک سیستم بازیابی اطلاعات، یک ماشین حساب و یک مترجم است. TS یک رشته تکی را به عنوان ورودی دریافت کرده و فهرستی از یک یا چند رشته دیگر را در خروجی ارائه می‌کند. هر ابزار موجود در TS، به همین شکل یک رشته را می‌گیرد و لیستی از چند رشته را در خروجی نمایش می‌دهد.

همچنین در ادامه با ذکر مثالی، بیشتر به نحوه کار این مجموعه ابزار می‌پردازیم که در ادامه می‌خوانید:

• مثلا ماشین حساب، رشته 135+7721  را دریافت کرده و در نهایت لیستی شامل عبارت [“7856”]  را در خروجی ارائه می‌کند. به همین شکل، مترجم نیز پس از دریافت رشته “hello in French”   نتیجه [‘Bonjour’]  را نمایش می‌دهد.
• در نهایت، سیستم بازیابی اطلاعات، پس از دریافت رشته‌ای مانند: ‘How old is Rafael Nadal?’, ، عبارت [‘Rafael Nadal / Age / 35’]   را در خروجی ارائه خواهد کرد.
• سیستم بازیابی اطلاعات همچنین می‌تواند تکه‌هایی از محتوا را همراه با «URL» متناظر آن‌ها، از وب آزاد مورد استفاده قرار دهد.

در ادامه باید گفت که مجموعه ابزار، دریافت رشته در ورودی را روی تمام ابزارها امتحان کرده و یک خروجی نهایی از رشته‌ها را با پیوند دادن لیست‌های خروجی هر ابزار ارائه می‌کند. ترتیب بهم پیوند دادن لیست‌های خروجی نیز ابتدا از ماشین حساب شروع شده و سپس به مترجم و سیستم بازیابی اطلاعات می‌رسد.

همچنین باید توجه داشت که اگر ابزاری نتواند ورودی مورد نظر را تجزیه و پردازش کند، لیستی خالی ارائه خواهد داد. مثلا ماشین حساب نمی‌تواند رشته ‘How old is Rafael Nadal?’  را مورد پردازش قرار دهد، چون با اعداد کار می‌کند. به همین دلیل نیز امکان مشارکت در لیست نهایی را نخواهد داشت.

در ادامه نتیجه پاسخ بارد با تکه‌ای از اطلاعات از وب آزاد را می‌بینید:

سیستم‌های پرسش و پاسخ محاوره‌ای

امروزه اطلاعات بروز بسیاری درباره هوش مصنوعی در مقالات مختلف به چاپ می‌رسند. با اینکه نمی‌شود به طور قطعی هیچ یک از این اطلاعات ارائه شده را به بارد نسبت داد، اما می‌توانیم تصور کنیم چه کارهایی در این زمینه امکان‌پذیر هستند و این ابزار می‌تواند چگونه بروز کند.

توجه کنید که اطلاعاتی که در ادامه می‌آیند، ادعایی مبنی بر استفاده گوگل از این الگوریتم‌ها ندارند. از این رو نمی‌شود با اطمینان خاطر گفت که هیچ یک از این فناوری‌ها در بارد مورد استفاده قرار گرفته‌اند. مطالب بعدی، الگوریتم‌های مرتبط با سیستم‌های پرسش و پاسخ مبتنی بر هوش مصنوعی هستند.

آن‌طور که می‌دانیم، کارهایی برای ساخت داده‌های آموزشی برای سیستم‌های بازیابی داده محاوره‌ای انجام شده است.

مشکل آموزش دادن سیستمی مانند بارد این است که مجموعه داده‌های پرسش و پاسخ مورد نیاز برای آن‌ها (مانند مجموعه داده‌های متشکل از پرسش و پاسخ‌های «Reddit»)، محدود به نحوه رفتار افراد در Reddit هستند. به همین دلیل نمی‌توانند روش رفتار آدم‌های خارج از این محیط، نحوه سوال پرسیدن آن‌ها و نوع جواب‌هایی که برای آن‌ها مناسب است را شامل شوند و ناقص می‌مانند.

برای رفع این مشکل، پیشنهاد ساخت یک سیستم خوانش صفحات وب ارائه داده شده و سپس از یک «Dialog Inpainter» کمک گرفته‌اند تا پیش‌بینی کنند در هر عبارت معینی که ماشین می‌خواند، چه سوالاتی ایجاد خواهند شد. dialog inpainterها سوالاتی برای چارچوب بندی و پیشنهاد راه‌های متفاوت برای نگرش به مسائل هستند.

به همین ترتیب، مثلا عبارت «آسمان آبی است» در وب‌سایت مطمئن ویکیپدیا، می‌تواند به سوال «آسمان چه رنگی است؟» تبدیل شود. به علاوه خوب است بدانید دو مجموعه داده پرسش و پاسخ نیز ایجاد شده‌اند که در ادامه بیشتر با آن‌ها آشنا می‌شویم:

• WikiDialog: مجموعه‌ای از پرسش و پاسخ‌ها است که از ویکیپدیا گرفته شده‌اند.
•  WebDialog: این مجموعه داده از محاورات موجود در سایت‌های موجود روی اینترنت کمک می‌گیرد.

این مجموعه داده‌های جدید، هزار برابر بزرگ‌تر از مجموعه‌های موجود هستند. اهمیت این موضوع در این است که به این شکل، مدل‌های زبانی محاوره‌ای امکان یادگیری بیشتری را پیدا می‌کنند. گزارش داده شده است که این مجموعه داده‌های جدید، تا 40 درصد در پیشرفت سیستم‌های پرسش و پاسخ موثر بوده‌اند. ‌می‌شود این موفقیت را به شکل زیر توضیح داد:

• مهم است عنوان کرد که متوجه شده‌ایم مجموعه داده‌های مورد اشاره، منابعی قوی برای آموزش سیستم‌های محاوره‌ای پرسش و پاسخ هستند. زمانی که معماری‌های بازیابی و امتیازدهی مجدد استاندارد را از پیش آموزش می‌دادیم، آن‌ها در سه معیار بازیابی پرسش و پاسخ محاوره‌ای، پیشرفت کردند (QRECC ،OR-QUAC و TREC-CAST). این مورد منجر به تا 40 درصد افزایش سود نسبی در معیارهای ارزیابی استاندارد شد.
• به طور قابل توجهی متوجه شدیم که تنها آموزش قبلی WikiDialog، بدون استفاده از هیچ داده پرسش و پاسخ محاوره‌ای، امکان تجربه بازیابی قوی بدون آموزش قبلی را فراهم می‌کند (تا 95 درصد از عملکرد یک بازیاب تنظیم شده).

حالا این سوال مطرح می‌شود که آیا بارد با استفاده از WikiDialog و WebDialog، آموزش دیده است؟

ما در این بخش می‌دانیم که گوگل بارد چیست اما تصور سناریویی که در آن گوگل بتواند تجربه آموزش یک هوش مصنوعی محاوره‌ای با مجموعه داده‌ای که 1000 برابر بزرگ‌تر است را به راحتی گذرانده باشد، سخت به نظر می‌رسد. اما نمی‌شود در این مورد مطمئن بود، چون گوگل معمولا درباره جزئیات تکنولوژی‌های زیرساختی خود، مگر در موارد نادر مانند بارد و LaMDA، نظری ارائه نمی‌دهد.

مدل‌های زبانی بزرگ که به منابع متصل هستند

می‌دانیم که گوگل، در نظر دارد از مدل‌های زبانی بزرگ به عنوان منبع استفاده کند. البته این مورد همچنان در حال آزمایش است و نمی‌شود به طور قطعی از آن صحبت کرد. با این حال در ادامه می‌بینیم که انجام این کار به چه دلیل و به چه شکلی صورت می‌پذیرد:

• «مدل‌های زبانی بزرگ» (LLM)، نتایج چشمگیری را از خود نشان داده‌اند، آن‌هم بدون نیاز به نظارت مستقیم بسیار یا هیچ نظارتی.
• علاوه بر این، شواهد بسیاری وجود دارند که حاکی از پتانسیل این سیستم‌ها در سناریوهای جست‌وجو اطلاعات هستند.
• این عقیده وجود دارد که توانایی یک LLM برای نسبت دادن متن تولید شده به منبعی معتبر، در این زمینه بسیار حائز اهمیت است.
• به همین منظور، یک چارچوب ارزیابی تکرار پذیر برای وظیفه مربوطه پیشنهاد شده و مجموعه وسیعی از معماری‌ها مورد بررسی قرار گرفته‌اند.
• یادداشت‌های انسانی در این پروسه به عنوان استاندارد طلایی در نظر گرفته شده‌اند و نشان داده می‌شود که یک معیار همبسته، مناسب توسعه است.
• به این شکل می‌شود به دو سوال اساسی پاسخ داد، اول اینکه چگونه انتساب را ارزیابی کنیم؟‌ و سپس اینکه روش‌های پیشرفته کنونی در نسبت دهی به چه میزان خوب عمل می‌کنند‌؟ همچنین این تجربه نکاتی درباره سوال سوم (چگونه مدل‌های زبانی با امکان نسبت دهی بسازیم؟) نیز ارائه می‌دهند.

این نوع مدل زبانی بزرگ می‌تواند سیستمی را با قابلیت ارائه سندهای پشتیبان آموزش دهد که از نظر تئوری، شما را از استناد متن بر اساس منبع مشخص، مطمئن می‌کنند. توضیح این مفهوم نیز به شرح زیر است:

• برای بررسی این سوال‌ها، پرسش و پاسخ مستند مورد استفاده قرار گرفته است. در فرمول بندی‌ها، ورودی سیستم/مدل، یک سوال است و خروجی (پاسخ و استناد)، زوجی متشکل از پاسخ که رشته پاسخ است و ذکر منبع یا استناد که اشاره‌ای به یک پیکره ثابت، به عنوان مثال از پاراگراف‌ها خواهد بود.
• استناد موجود در خروجی باید شواهدی برای پشتیبانی از پاسخ ارائه دهد.

این فناوری به طور خاص برای وظایف مبتنی بر پرسش و پاسخ کاربرد دارد. هدف آن نیز تولید پاسخ‌های بهتر است، چیزی که به نظر می‌رسد گوگل برای بارد می‌خواهد.

• همچنین خوب است بدانید استناد این امکان را به کاربران و توسعه دهندگان می‌دهد که به قابلیت اعتماد و دقت و ظرافت پاسخ دسترسی داشته باشند.
• به علاوه استناد به توسعه دهندگان اجازه می‌دهد کیفیت پاسخ‌ها را به سرعت مرور کنند، چون منابع، فراهم شده و در دسترس هستند.

یک مورد جالب دیگر اینکه، تکنولوژی جدیدی دیگری به نام ‌«AutoAIS» وجود دارد که به شدت با ارزیابان انسانی همبسته و یکسان است. به زبان دیگر این فناوری می‌تواند کار ارزیابان انسانی را به حالت خودکار تبدیل کرده و فرایند رتبه بندی پاسخ‌های داده شده توسط یک مدل زبانی بزرگ (مانند بارد) را مقیاس بندی کند. در ادامه بیشتر درباره این فناوری حرف می‌زنیم:

• رتبه بندی انسانی به عنوان استانداردی طلایی برای ارزیابی سیستم در نظر گرفته شد، اما مشخص شد که AutoAIS به خوبی می‌تواند با قضاوت انسانی در سطح سیستم همسان باشد. این مورد نویدی به عنوان یک معیار توسعه محسوب می‌شود که در آن رتبه بندی انسانی غیرممکن است و حتی در دست و پا قرار می‌گیرد.

با این حال این فناوری در حال آزمایش است و احتمالا هنوز استفاده نشده باشد. اما یکی از مسیرهایی که گوگل برای تولید پاسخ‌های قابل اطمینان طی می‌کند را نشان می‌دهد.

ویرایش پاسخ‌ها برای حقیقت سنجی

در نهایت از یک فناوری قابل توجه صحبت می‌کنیم که توسط دانشگاه «Cornell» (همچنان در اواخر سال 2022) توسعه داده شده است و روشی متفاوت برای ارائه منبع و استناد در خروجی مدل‌های زبانی بزرگ ارائه می‌دهد و حتی می‌تواند یک پاسخ را برای تصحیح آن ویرایش کند.

دانشگاه کرنل (مانند دانشگاه استنفورد)، مجوز فناوری مربوط به جست‌وجو و سایر زمینه‌ها را صادر می‌کند و سالانه میلیون‌ها دلار از این طریق کسب درامد دارد. خوب است با تحقیقات این دانشگاه همراه شد چون نشان می‌دهند چه چیزی در این زمینه ممکن است و چه چیزی دارد پیشرفت می‌کند.

می‌توانیم نکاتی را درباره این فناوری عنوان کنیم که در ادامه می‌خوانید:

• مدل‌های زبانی، حالا در بسیاری از زمینه‌ها مانند یادگیری در مراحل کم، پرسش و پاسخ، استدلال و برقراری مکالمه پیشرفت کرده‌اند.
• با این حال هنوز هم گاهی اوقات محتوای بی‌پشتوانه یا گمراه کننده تولید می‌کنند.
• از این رو یک کاربر نمی‌تواند به سادگی متوجه شود که خروجی دریافتی، قابل اعتماد است یا نه، چون مدل‌های زبانی هیچ مکانیزم داخلی‌ای برای ارائه استناد در شواهد خروجی ندارند.
• برای فعال کردن قابلیت استناد در کنار حفظ تمام مزایای قدرتمند مدل‌های نسل اخیر، فناوری «RARR» (مقاوم سازی استناد با استفاده از تحقیق وبازسازی)، پیشنهاد شده است. سیستمی که در وهله اول، به طور خودکار برای هر مدل تولید کننده متن، استناد پیدا خواهد کرد و دوم، خروجی را پس از انتشار ادیت می‌کند تا محتوای بی‌پشتوانه را اصلاح کرده و در عین حال محتوای خروجی اصلی را نیز تا جای ممکن حفظ کند.
• این طور به دست آمده است که RARR، استناد را به طور قابل توجهی بهبود می‌دهد در حالی که از سوی دیگر، ورودی اصلی را تا حد بسیار بیشتری نسبت به مدل‌های ویرایشی قبلی، حفظ می‌کند.
• به علاوه، اجرای RARR، تنها به تعداد انگشت شماری آموزش، یک مدل زبانی بزرگ و جست‌وجو ساده وب نیاز دارد.

چگونه به گوگل بارد دسترسی پیدا کنیم؟

گوگل در حال حاضر، کاربران جدید را برای امتحان کردن بارد (+) که فعلا با عنوان آزمایشی برچسب گذاری شده است، قبول می‌کند.

گوگل سابقا گفته بود که بارد جست‌وجو گر نیست، و این مورد باید به کسانی که درباره ظهور هوش مصنوعی مضطرب هستند، احساس اطمینان دهد. می‌شود گفت ما در نقطه عطفی هستیم که شاید در هر دهه یک بار دیده شود.

سخن پایانی

فهمیدن اینکه گوگل بارد چیست می‌تواند برای تمام کسانی که مطلبی روی اینترنت به اشتراک می‌گذارند یا در زمینه وب و سئو فعال هستند، مفید باشد. چون در درک محدودیت‌های اینکه چه چیزهایی امکان‌پذیر هستند و آینده می‌تواند چه چیزهایی را به ارمغان بیاورد، کمک می‌کند.

در این مقاله نیز به بررسی اینکه گوگل بارد چیست پرداختیم. سعی کردیم تمام سوال‌های موجود در این زمینه را با استناد به منابع قابل اعتماد پاسخ دهیم. امیدواریم مطالعه این مقاله راهنمایی مناسب برای درک گوگل بارد، هوش مصنوعی و نحوه استفاده از آن توسط گوگل برای شما فراهم کرده باشد.